领域对抗时空网络：一种跨城市的短期交通预测可迁移框架

精准的实时交通预测对于智能交通系统（ITS）至关重要，是各类智慧出行应用的基石。尽管该研究领域目前主要由深度学习主导，但近期研究表明，通过设计新型模型结构来提升预测精度的潜力已逐渐趋于饱和。相反，我们提出一种新思路：通过在具有不同数据分布和网络拓扑结构的城市之间迁移“与预测相关的知识”，实现性能的进一步提升。为此，本文提出一种新型可迁移交通预测框架——领域对抗时空网络（Domain Adversarial Spatial-Temporal Network, DASTNet）。DASTNet首先在多个源城市网络上进行预训练，随后利用目标城市的真实交通数据进行微调。具体而言，我们结合图表示学习与对抗域自适应技术，学习具备领域不变性的节点嵌入表示，并将其进一步用于建模时间维度上的交通流量变化。据我们所知，DASTNet是首个将对抗多域自适应方法应用于全网交通预测问题的研究。在三个基准数据集上，DASTNet始终优于所有现有的最先进基线方法。该模型已成功部署于香港新安装的交通检测设备中，一旦检测器投入使用，即可在一天内迅速提供高精度的交通预测结果。总体而言，本研究为提升交通预测能力提供了一种新范式，并为缺乏历史交通数据的城市提供了切实可行的技术路径。